論文の概要: Joint-YODNet: A Light-weight Object Detector for UAVs to Achieve Above 100fps

• arxiv url: http://arxiv.org/abs/2309.15782v1
• Date: Wed, 27 Sep 2023 16:57:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-28 12:42:56.033570
• Title: Joint-YODNet: A Light-weight Object Detector for UAVs to Achieve Above 100fps
• Title（参考訳）: YODNet:100fps超のUAV用軽量物体検出器
• Authors: Vipin Gautam, Shitala Prasad and Sharad Sinha
• Abstract要約: 小型物体を検知するためのUAVのためのJointYODNetという新しい手法を提案する。 本手法は, 小型物体の検出性能を高めるため, 接合損失関数の開発を中心に展開する。 その結果,提案した関節損失関数は,小さな物体を正確に位置決めする既存の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 2.5761958263376745
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Small object detection via UAV (Unmanned Aerial Vehicle) images captured from drones and radar is a complex task with several formidable challenges. This domain encompasses numerous complexities that impede the accurate detection and localization of small objects. To address these challenges, we propose a novel method called JointYODNet for UAVs to detect small objects, leveraging a joint loss function specifically designed for this task. Our method revolves around the development of a joint loss function tailored to enhance the detection performance of small objects. Through extensive experimentation on a diverse dataset of UAV images captured under varying environmental conditions, we evaluated different variations of the loss function and determined the most effective formulation. The results demonstrate that our proposed joint loss function outperforms existing methods in accurately localizing small objects. Specifically, our method achieves a recall of 0.971, and a F1Score of 0.975, surpassing state-of-the-art techniques. Additionally, our method achieves a mAP@.5(%) of 98.6, indicating its robustness in detecting small objects across varying scales
• Abstract（参考訳）: ドローンやレーダーから捉えたuav(unmanned aerial vehicle)による小さな物体検出は、いくつかの難題を抱えた複雑な作業である。 この領域は、小さな物体の正確な検出と局在を妨げる多くの複雑さを含んでいる。 そこで本稿では,この課題に対処するために,uavによる小型物体検出のためのジョイントyodnetという新しい手法を提案する。 本手法は, 小型物体の検出性能を高めるため, 接合損失関数の開発を中心に展開する。 様々な環境条件下で得られた多様なUAV画像のデータセットを広範囲に実験し、損失関数の異なるバリエーションを評価し、最も効果的な定式化を決定した。 その結果,提案した関節損失関数は,小さな物体を正確に位置決めする既存の手法よりも優れていた。 具体的には,最新技術を上回る0.971のリコールと0.975のF1Scoreを実現する。 さらに, 98.6 の mAP@.5(%) を達成し, 様々なスケールで小さな物体を検出できるロバスト性を示した。

関連論文リスト

• SCLNet: A Scale-Robust Complementary Learning Network for Object Detection in UAV Images [0.0]
  本稿では,SCLNet(Scale-robust complementary learning network)を提案する。 1つの実装は、提案したスケール補完デコーダとスケール補完損失関数に基づいている。 もう一つの実装は、提案したコントラッシブ・コントラスト・コントラスト・コントラスト・コントラスト・ネットワークとコントラスト・コントラスト・コントラスト・コントラスト・コントラスト・ロス関数に基づいている。
  論文  参考訳（メタデータ） (2024-09-11T05:39:25Z)
• Renormalized Connection for Scale-preferred Object Detection in Satellite Imagery [51.83786195178233]
  我々は、効率的な特徴抽出の観点から再正規化群理論を実装するために、知識発見ネットワーク(KDN)を設計する。 KDN上の再正規化接続(RC)は、マルチスケール特徴の「相乗的焦点」を可能にする。 RCはFPNベースの検出器のマルチレベル特徴の分割・対数機構を幅広いスケールで予測されたタスクに拡張する。
  論文  参考訳（メタデータ） (2024-09-09T13:56:22Z)
• SOOD++: Leveraging Unlabeled Data to Boost Oriented Object Detection [59.868772767818975]
  本稿では,SOOD++ と呼ばれる簡易かつ効果的な半教師付きオブジェクト指向検出手法を提案する。 具体的には、空中画像からの物体は、通常任意の向き、小さなスケール、集約である。 様々なラベル付き環境下での多目的オブジェクトデータセットに対する大規模な実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-07-01T07:03:51Z)
• Visible and Clear: Finding Tiny Objects in Difference Map [50.54061010335082]
  本稿では,検出モデルに自己再構成機構を導入し,それと微小物体との強い相関関係を明らかにする。 具体的には、再構成画像と入力の差分マップを構築して、検出器の首の内側に再構成ヘッドを配置し、小さな物体に対して高い感度を示す。 さらに、小さな特徴表現をより明確にするために、差分マップガイド機能拡張(DGFE)モジュールを開発する。
  論文  参考訳（メタデータ） (2024-05-18T12:22:26Z)
• YOLC: You Only Look Clusters for Tiny Object Detection in Aerial Images [33.80392696735718]
  YOLC(You Only Look Clusters)は、アンカーフリーなオブジェクト検出器であるCenterNet上に構築された、効率的で効果的なフレームワークである。 大規模画像や非一様オブジェクトの分布がもたらす課題を克服するため,正確な検出のためにクラスタ領域のズームインを適応的に検索するローカルスケールモジュール(LSM)を導入する。 Visdrone 2019 と UAVDT を含む2つの航空画像データセットに対する広範な実験を行い、提案手法の有効性と優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-09T10:03:44Z)
• Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
  本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。 提案手法は平均精度(MAP)を約45.7%向上させる。 この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
  論文  参考訳（メタデータ） (2023-11-21T19:49:13Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Rethinking Intersection Over Union for Small Object Detection in Few-Shot Regime [2.292003207440126]
  Few-Shot Object Detection (FSOD)では、小さな物体を検出することは極めて困難である。 我々は,新しいボックス類似度尺度であるSIoU(Scale-Adaptive Intersection over Union)を提案する。 SIoUはオブジェクトのサイズによって変化し、小さなオブジェクトシフトでより寛大になる。
  論文  参考訳（メタデータ） (2023-07-17T07:26:58Z)
• Fewer is More: Efficient Object Detection in Large Aerial Images [59.683235514193505]
  本稿では,検出者がより少ないパッチに注目するのに対して,より効率的な推論とより正確な結果を得るのに役立つObjectness Activation Network(OAN)を提案する。 OANを用いて、5つの検出器は3つの大規模な空中画像データセットで30.0%以上のスピードアップを取得する。 我々はOANをドライブシーン物体検出と4Kビデオ物体検出に拡張し,検出速度をそれぞれ112.1%,75.0%向上させた。
  論文  参考訳（メタデータ） (2022-12-26T12:49:47Z)
• SyNet: An Ensemble Network for Object Detection in UAV Images [13.198689566654107]
  本稿では,マルチステージ方式とシングルステージ方式を組み合わせたアンサンブルネットワークであるSyNetを提案する。 ビルディングブロックとして、センシング戦略とともに、プリトレーニング特徴抽出器を備えたセンタネットおよびカスケードr−cnnを利用する。 提案手法により得られた技術成果を2つの異なるデータセットで報告する。
  論文  参考訳（メタデータ） (2020-12-23T21:38:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。